T.C.
FIRAT ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
İNSANLARDA GÖRÜLEN PARAZİT YUMURTALARININ
OTOMATİK SINIFLANDIRILMASI İÇİN BİR UZMAN
SİSTEM TASARIMI
Derya AVCI
Tez Yöneticisi
Prof. Dr. Asaf VAROL
YÜKSEK LİSANS TEZİ
ELEKTRONİK ve BİLGİSAYAR EĞİTİMİ ANABİLİM DALI
T.C.
FIRAT ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
İNSANLARDA GÖRÜLEN PARAZİT YUMURTALARININ
OTOMATİK SINIFLANDIRILMASI İÇİN BİR UZMAN
SİSTEM TASARIMI
Derya AVCI
Tez Yöneticisi
Prof. Dr. Asaf VAROL
YÜKSEK LİSANS TEZİ
ELEKTRONİK ve BİLGİSAYAR EĞİTİMİ ANABİLİM DALI
T.C.
FIRAT ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
İNSANLARDA GÖRÜLEN PARAZİT YUMURTALARININ
OTOMATİK SINIFLANDIRILMASI İÇİN BİR UZMAN
SİSTEM TASARIMI
Derya AVCI
YÜKSEK LİSANS TEZİ
ELEKTRONİK ve BİLGİSAYAR EĞİTİMİ ANABİLİM DALI
Bu tez , ... tarihinde aşağıda belirtilen jüri tarafından oybirliği /oyçokluğu ile başarılı / başarısız olarak değerlendirilmiştir.
Danışman: Prof. Dr. Asaf VAROL Üye: Doç. Dr. İbrahim TÜRKOĞLU Üye: Doç. Dr. Mehmet KAYA
Bu tezin kabulü, Fen Bilimleri Enstitüsü Yönetim Kurulu’nun .../.../... tarih ve ... sayılı kararıyla onaylanmıştır.
TEŞEKKÜR
Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektronik ve Bilgisayar Eğitimi Anabilim Dalı’nda Yüksek Lisans tezi olarak yapılan bu çalışmayı tamamlamamda bana desteklerini esirgemeyen Danışmanım Sayın Prof. Dr. Asaf VAROL’a, tezin her aşamasında sürekli yardımcı olan Prof. Dr. Z. Hakan AKPOLAT’a, eşim Yrd. Doç. Dr. Engin AVCI’ ya, Dr. Esin DOĞANTEKİN’e, Doç. Dr.. İbrahim TÜRKOĞLU’ na , Yrd. Doç. Dr. Abdulkadir ŞENGÜR’e, Yrd. Doç. Dr.Davut HANBAY’a. teşekkür ederim.
İÇİNDEKİLER TEŞEKKÜR
İÇİNDEKİLER ... I ŞEKİLLER LİSTESİ... III TABLOLAR LİSTESİ... IV SİMGELER LİSTESİ... V KISALTMALARIN LİSTESİ... VI ÖZET ... VII ABSTRACT ……… VIII 1. GİRİŞ ... 1
1.1. Litertürde Yer Alan Bazı Önemli Otomatik Parazit Tanıma Çalışmaları ... 1
1.2. Bu Tez Çalışmasının Amacı... 2
1.3. Bu Tez Çalışmasının Kapsamı... ... 2
2. PARAZİTLER VE ÖZELLİKLERİ... 3
3. UZMAN SİSTEMLER... ... 7
3.1. Uzman Sistemlerin Temel Bileşenleri... 8
3.2. Uzman Sistemlerin Temel Özellikleri... 8
3.3. Uzman Sistemlerin Sağladığı Faydalar... ... 9
3.4. Uzman Sistemlerde Örüntü Tanıma... 10
3.5. Uzman Sistemlerin Kulanım Alanları ... 12
4. UZMAN SİSTEM TASARIM SÜREÇLERİ ... 14
4.1. Ön İşlem Süreci... 14
4.1.1. Resim İşleme... 14
4.1.2. Resmin Tanımı ... ... 17
4.1.3. Resim Bölütleme Teknikleri... ... 18
4.1.3.1. Eşikleme... 19
4.1.3.2. Sinirsel Ağlarla Bölütleme ... 25
4.1.3.3. Bulanık Mantık ... 30
4.1.4. Median Filtreleme ... 34
4.2. Özellik Çıkarım Süreci... 34
4.2.1. Özellik Çıkarım İçin Hu’nun Değişmez Momenteri Yöntemi ... 34
4.3.1. Çoklu Destek Vektör Makineleri Sınıflandırıcısı ... 35
5. ÇOKLU DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRICISI KULLANARAK İNSAN PARAZİT YUMURTA ÖRÜNTÜLERİNİN SINIFLANDIRILMASI ... 40
5.1. Ön İşlem Süreci... 40
5.1.1. Median Filtreleme Kullanarak Gürültü İndirgenmesi... 42
5.1.2. Parlaklık Artırma... 42
5.1.3. Resim Eşikleme Yöntemi Kullanarak Bölütleme ... 43
5.1.4. Morfolojik Ve Mantıksal İşlemler ... 43
5.2. Özellik Çıkarım Süreci ... 44
5.2.1. Hu’nun Değişmez Momentlerinin Hesaplanması ... 44
5.3. Sınıflandırma Süreci ... 48
5.3.1. Çoklu Destek Vektör Makinesi Sınıflandırıcısı ... 48
6. SONUÇLAR ... 51
6.1.Öneriler ... 51
6.2.Yayınlar... 52
KAYNAKLAR ... 53 ÖZGEÇMİŞ
ŞEKİLLER LİSTESİ
Şekil 3.1. Örüntü tanıma kavramı…………... 11
Şekil 4.1. Görüntü İşlemede Temel Basamaklar ... 16
Şekil 4.2. Gri seviyesi histogramı a) Tek eşik değer b) Çok seviyeli eşik değer... 19
Şekil 4.3. a) Orijinal resim, b) Bölümlenmiş resim, c) Resim histogramı ... 21
Şekil 4.4. a) Orijinal resim, b) Global eşiklenmiş resim, c) Alt resimlere ayrılmış resim, d) Uyarlamalı eşiklenmiş resim ... 22
Şekil 4.5. Olasılık yoğunluk fonksiyonu ... 23
Şekil 4.6. Kohonen 'in kendi kendini düzenleme haritasının ağ birimleri. ... 27
Şekil 4.7. Kohonen sistem modeli ... 27
Şekil 4.8. Meksika şapkası fonksiyonu ... 28
Şekil 4.9. Bir işlem elamanının yapısal komşuluğu (t1 < t2 < t3) ... 28
Şekil 4.10.Kohonen Ağı ile yapılan bölütleme, a) Orijinal Görüntü, b) Bölütlenmiş Görüntü c)Orijinal Görüntü, d)Bölütlenmiş Görüntü... 30
Şekil 4.11. Bir optimum ayrım yüzeyi. ... 37
Şekil 5.1. Bu çalışmada kullanılan DM-ÇDVM sisteminin blok diyagramı. ... 41
Şekil 5.2. İnsan parazit yumurta resmi a) Fertilized Ascaris Lumbricoides türü parazit yumurtası b)Bu parazit yumurtası resminin Median filtre uygulanmış hali... 42
Şekil 5.3. Parazit yumurtası a) Fertilized Ascaris Lumbricoides türü parazit yumurtası b)Parlaklığı artırılmış resim. ... 42
Şekil 5.4. Parazit yumurtası, a) Fertilized Ascaris Lumbricoides türü parazit yumurtası b)Bölütlenmiş resim. ... 43
Şekil 5.5. Fertilized Ascaris Lumbricoides insan parazit yumurtası a) Nesnedeki boşluklar doldurulduktan sonraki resim b) Erosion işleminden sonraki resim ... 44
TABLOLAR LİSTESİ
Tablo 5.1.
ÇDVM eğitimi için kullanılan parazit yumurtası resimlerinin değişmez moment
değeri (φi)... 45Tablo 5.2.Kullanılan ÇDVM sınıflandırıcının özellikleri ... ... 48 Tablo 5.3.
DM-ÇDVM sisteminin insan parazit yumurtalarını doğru bir şekilde tanıma
başarımları ... 49 Tablo 5.4.
DM-BSA sisteminin insan parazit yumurtalarını doğru bir şekilde tanıma
SİMGELER LİSTESİ
b0 : Ayrım yüzeyi parametresi bias vektörünü temsil eder.
c(x) : Düşük boyutlu giriş uzayından YBU’ya geçiş fonksiyonudur.
D : Giriş uzayını birbiri ile kesişmeyen bölümlere ayırarak her bir sınıfa bir etiket atayıcıyı göstermektedir.
f : Bir vektörü temsil eder.
f(x,y) : Bir resim yoğunluk dağılımını temsil eder. ℑ : Eğitim kümesini temsil eder.
∝(t) : Zamanla azalan bir kazanç terimini temsil eder.
µ1 : Gauss yoğunluğunun bir sınıf için ortalama değeridir.
σ12 : Gauss yoğunluğunun bir sınıf için varyans değeridir.
µ2 : Gauss olasılık yoğunluk fonksiyonun ortalamasıdır.
σ22 : Gauss olasılık yoğunluk fonksiyonun varyansıdır.
K : Çekirdek fonksiyonunu temsil eder.
N : Çıkış işlem elamanı sayısını temsil eder.
Nc(t) : Zamanla değişen komşuluk kümesini temsil eder.
P1 -P2 : Arka plan ve nesneyi oluşturan piksellerin olma olasılıklarını
gösterir.
R : Her hangi bir noktanın maskelenmiş değerini temsil eder.
T : Eşik değeri temsil eder.
W : Görüntünün maskeleme katsayıdır.
(k)
w : Karar uzayındaki her bir sınıfı temsil eder.
wi : Her çıkış işlem elamanının ağırlık vektörünü temsil eder.
xi : Giriş uzayını temsil eder.
z : görüntüdeki güncel çerçeve içerisindeki noktaların gri seviye değerini temsil eder.
Z : Resmin gri seviyesi değerlerini göstermektedir.
KISALTMALAR LİSTESİ BKB : Bire-Karşı-Bir
BKD : Bire-Karşı-Diğer
BSA : Bulanık Sinirsel Ağ Sınıflandırıcısı ÇDVM : Çoklu Destek Vektör Makinesi DL : Diphyllobotrium Latum DVM : Destek Vektör Makineleri
EV : Enterobius Vermicularis
FAL : Fertilized Ascaris Lumbricoides
FH : Fasciola Hepatica
FKCN : Kohonen ağlarla bölütleme
GL : Giardia Lamblia H : Hookworm HD : Hymenolepsis Diminuta HN : Hymenolepsis Nana K : Kellicoti PW : Paragonimus Westermani RBF : Radial Tabanlı Çekirdek fonksiyonu
SH : Schistosoma Haematobium
SJ : Schistosoma Japonicum
SM : Schistosoma Mansoni
TS : Taenia Saginata
TT : Trichuris Trichura
UAL : Unfertilized Ascaris Lumbricoides YBU : Yüksek Boyutlu Uzay
YSA : Yapay Sinir Ağları
ÖZET
YÜKSEK LİSANS TEZİ
İNSANLARDA GÖRÜLEN PARAZİT YUMURTALARININ OTOMATİK SINIFLANDIRILMASI İÇİN BİR UZMAN SİSTEM TASARIMI
Derya AVCI
Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektronik ve Bilgisayar Eğitimi
Anabilim Dalı 2009, Sayfa : 55
Bu tez çalışmasında insan parazit yumurtasının sınıflandırılması için mikroskobik resimlerine değişmez moment ve çoklu destek vektör makinesi sınıflandırıcı (DM-ÇDVM) yöntemi uygulandı. Bu yöntem dört aşamadan oluşmaktadır. Bunlar ön işlem, özellik çıkarım, sınıflandırma ve test aşamalarıdır. Ön işlem aşamasında resim işleme, gürültü indirgeme, parlaklık artırma, morfolojik ve mantıksal işlemler uygulanmıştır. Özellik çıkarım aşamasında, ön işlemden geçmiş parazit resimlerinin değişmez momentleri hesaplanmıştır. Özellik çıkarım aşamasından elde edilen özellikleri sınıflandırmak için Çoklu Destek Vektör Makineleri Sınıflandırıcısı (ÇDVM) kullanılmıştır. Aynı parazit resimleri ve aynı özellik çıkarım yöntemi kullanılarak [12], Bulanık Sinirsel Ağlar (BSA) sınıflandırıcı ile %93.49 olarak bulunan doğru tanıma başarımı, bu tezde kullanılan DM-ÇDVM yöntemi uygulamasıyla doğru tanıma başarımı %97.7’ye ulaşmıştır. Bu çalışma ile DM-ÇDVM sistemi kullanılarak, parazitik hastalıkların tipinin ve cinsinin teşhisinde daha iyi sonuçların elde edilebileceği kanıtlanmış olmaktadır.
Anahtar Kelimeler : Parazitler, Parazit Yumurtaları, Mikroskobik Resim, Çoklu Destek Vektör Makineleri, Uzman Sistemler.
SUMMARY
Masters Thesis
AN EXPERT DIAGNOSIS SYSTEM FOR CLASSIFICATION OF HUMAN PARASITE EGGS BASED ON MULTI CLASS SVM
Derya AVCI Fırat University
Graduate School of Natural and Applied Sciences Department of Electronic and Computer Education
2009, Page:55
In this paper, it is proposed a new methodology based on invariant moments and Multi Class Support Vector Machine (MCSVM) for classification of human parasite eggs in microscopic images. These are pre-processing stage, feature extraction stage, classification stage, and testing stage. In pre-processing stage, the digital image processing methods, which are noise reduction, contrast enhancement, thresholding, and morphological and logical processes. In feature extraction stage, the invariant moments of pre-processed parasite images are calculated. Finally, in classification stage, the Multi Support Vector Machine (MSVM) classifier is used for classification of features extracted feature extraction stage. A 93.49 % correct recognition rate is obtained when employing the ANFIS structure on the same parasite cell images and feature vector, on the other hand, in this thesis the employed IM-MSVM structure obtained a 97.7 % correct classification rate. With this study, it is seen that IM-MSVM system has the ability of diagnosing the parasitic diseases well enough.
Keywords: Parasites, parasite eggs, microscopic image, Multi Support Vector Machines, Expert systems.
1. GİRİŞ
Parazit nedeniyle oluşan hastalıklar tüm dünyada olduğu gibi ülkemizde de bir halk sağlığı sorunu olarak karşımıza çıkmaktadır [1-5]. Parazit nedeniyle oluşan hastalıkların bulaşmasını sağlayan faktörlerin önlenmesine ve alınan koruyucu tedbirlere rağmen yapılan çalışmalar bu sorunun günümüzde de devam ettiğini göstermektedir. Parazitik hastalıklar arasında bağırsak parazitleri daha yaygın olarak görülmektedir. Bunun nedenleri arasında; toplumların yaşam standartları, sosyo-ekonomik ve sosyo-kültürel durumu, yaş, cins, eğitim, beslenme, iklim ve hijyen gibi faktörler yer almaktadır [3-5].
1.1. Literatürde Yer Alan Bazı Önemli Otomatik Parazit Tanıma Çalışmaları
Günümüzde artık parazitik hastalıklar, gelişen teknolojiyle paralel uygun tanıma yöntemleri kullanılarak, insan kanı, idrarı, dışkısı ve dokularından teşhis edilebilmektedir [6, 7]. Parazit tanıma alanlarında şu ana kadar birçok çalışma yapılmıştır. Bazı önemli çalışmalar aşağıda verilmiştir.
Literatürdeki ilk otomatik parazit tanıma çalışmalarında [8, 9], mikroskobik resim analizi yöntemi kullanılmıştır. Bu çalışmalarda, domuz ve sığırlarda görülen birkaç parazit tipi, etkili resim işleme araçları kullanılarak, elde edilen morfolojik özellikler yardımıyla sınıflandırılmıştır [8-10]. Bu morfolojik özellikler, uzunluk, düzgünlük, v.b. şeklindedir [5, 8, 10]. Daha sonra bu morfolojik özellikler yardımı ile parazit türleri sınıflandırılmıştır [5, 8, 10].
Kaynak [6] da, mikroskobik dışkı numune resimlerindeki helminth parazit yumurtalarının otomatik olarak belirlenmesini sağlayan bir yöntem sunulmuştur. Bu amaçla sayısal resim işleme teknikleri ve Yapay Sinir Ağları (YSA) sınıflandırıcısı kullanılmıştır. Bu çalışmada, kullanılan parazit türleri için % 90 doğru tanıma oranı elde edilmiştir.
Kaynak [11] de, mikroskobik resimlerden sekiz farklı parazit yumurtasını sınıflandırmak amacıyla bir örüntü tanıma sistemi tasarlanmıştır. Bu çalışmada kullanılan özellik çıkarım sistemi değişmez momentler temellidir. Sınıflandırıcı olarak YSA kullanılmıştır. Burada, % 90 oranında doğru tanıma başarımı elde edilmiştir.
Kaynak [12] de, ise Değişmez Moment – Bulanık Sinir Ağları (BSA) tabanlı dayanıklı bir örüntü tanıma sistemi sunulmuştur. Bu yöntemin ön işlem kısmında mikroskobik parazit resimlerinden sırasıyla gürültü indirgeme, parlaklık artırma, bölütleme, morfolojik ve mantıksal işlemler kullanılmaktadır. Daha sonra ön işlemden geçirilmiş bu mikroskobik insan parazit yumurtası resimlerinin her biri 0 ile 165 derece arasında 15 derecelik açılarla döndürülerek, aynı parazit yumurtasının birbirinden farklı 12 adet resmi türetilmiştir. Bir sonraki aşamada olan özellik çıkarım aşamasında bu resimlerin her birinin 7 şer adet Hu değişmez momentleri hesaplanmıştır. Sınıflandırma aşamasında ise BSA sınıflandırıcısı kullanılmıştır. Elde edilen doğru sınıflandırma başarımı % 90 civarındadır.
1.2. Tez Çalışmasının Amacı
Bu tez çalışmasında kaynak [12]’de verilen etkili ön işlem ve özellik çıkarım yöntemleri kullanılarak, elde edilen insan parazit yumurta özellikleri, güncel bir sınıflandırıcı türü olan Çoklu Sınıf Destek Vektör Makinesi (ÇSDVM) sınıflandırcısının girişlerine verilerek, bu sınıflandırıcının doğru sınıflandırma performansının BSA sınıflandırıcısının performansı ile kıyaslanması amaçlanmıştır.
1.3. Tez Çalışmasının Kapsamı
1.Bölümde, literatürde yer alan bazı otomatik parazit tanıma çalışmaları hakkında bilgi verilecek, 2.Bölümde, insanlarda görülen temel parazit türleri üzerinde durulacak, 3. Bölüm’de uzman sistem kavramı ele alınacak, 4.Bölüm’de bu tez çalışmasında kullanılan ön işlem ve özellik çıkarım ve sınıflandırma süreçleri hakkında bilgi verilecek, 5. Bölüm’de mikroskobik resimlerdeki insan parazit yumurtalarının tanınması için geliştirilen Değişmez Moment – Çoklu Destek Vektör Makinesi (DM-ÇDVM) tabanlı akıllı bir sınıflama uygulamasının nasıl gerçekleştirildiği anlatılacak ve 6.Bölüm’de ise elde edilen sonuçlar ve bu alanda yapılacak çalışmalar tartışılacaktır.
2. PARAZİTLER VE ÖZELLİKLERİ
Parazit, kendinden daha büyük bitkisel/hayvansal kökenli bir canlının üzerinde veya içinde, geçici veya sürekli olarak, daima onun zararına yaşayan diğer bitkisel/hayvansal kökenli canlıya denir [1]. Parazitler, kan ve doku parazitleri, barsak parazitleri ve dış parazitler olarak sınıflandırılabilir [2]. Parazitler, bulundukları ortamlara ve yapılarına göre çeşitlere ayrılırlar. Aşağıda bu etmenlere göre varolan parazit çeşitleri belirtilmiştir.
Kan ve Doku parazitleri: Kan parazitleri konakçının hücreleri içinde (Flasmodiumlar, Babesialar, Theilerialar) ve hücreleri dışında (Microflorialar ve Trypanasomalar) yaşamalarına göre çeşitlere ayrılırlar. Doku parazileri ise hücre içi-dışı yaşayışlarına ek olarak deride veya iç organlarda yaşamaları dikkate alınarak 4’e ayrılırlar. Toksoplazmalar, Leishmania'lar, Ekinekoklar, Pneumocytstis carini, bu grupta incelenen parazit çeşitlerini oluşturmaktadırlar. Bağırsak parazitleri: Bağırsaklarda protozoonlar (Iodomoeba butshlii, Endolimax na-na, Dientamoeba fragilis, Giardia lamblia, Chilomastix mesnili, Trichomonas hominis, Balantidium coli), amipler (Entemoeba histolytica, E. coli), nematodlar (Ascaris lumbri-coides, Trichuris trichura, Enterbius vermicularis, Strongyloides stearcoralis, Necator americanus, Ancylostoma duodenale vb), trematodlar (Scistoma mansoni, S. haemato-bium, Paragominus vvestermani, Clonorchis sinensis vs) ve cestodlar (Taenia saginata, T. solium, Diphylobotrium latum, vs) bulunur.
Dış Parazitler: Dış parazitler pireler, bitler ve kenelerdir. Kedi, köpek gibi evcil hayvanların derisinde yaşayan bu böcekler onu sadece rahatsız etmekle kalmaz aynı zamanda çeşitli hastalıklar bulaştırır ve iritasyonlarına bağlı değişik alerjik hastalıklara neden olurlar. Bu parazitlerin bazıları insanlara da hastalık bulaştırır. Bu yüzden onların varlığını dikkatli bir şekilde izlemekte fayda vardır.
Literatürde bulunan bazı parazit türleri ve bu parazit türlerinden korunma yöntemleri aşağıdaki gibi özetlenebilir:
• Oksiyürler: İplik inceliğinde, sarımtırak beyaz renkte, boyları iki milimetre ile bir santimetre arasında değişen ve dışkı ile atılabilen bağırsak parazitleridir [5]. Hastalık, oksiyür yumurtalarının ağız yoluyla alınması ile bulaşır. Yumurtalar dişi oksiyürler tarafından makat çevresine bırakılır. Makatta kaşıntı olmaya başlar. Çocuk kaşındığı zaman tırnak aralarına giren yumurtalar bir şey yerken ağız yoluyla tekrar bağırsaklara ulaşır. Kız çocuklarında üreme organına kaçan yumurtalar ve oksiyürler akıntılara sebep olurlar. Tedavisi, ilaçlarla yapılır. Doktorun, bütün aile üyelerine aynı tedaviyi uygulaması gerekmektedir. Bu parazit türünden korunma yöntemleri ise çocukların tırnaklarının kısa kesilmesi, kaşınmamaları için uyarılması,
tuvaletten çıktıktan sonra ve oyundan geldikten sonra ellerin mutlaka sabunla yıkanması ve iç çamaşırların yıkanırken kaynatılması şeklinde özetlenebilir [3-5].
• Yuvarlak Kurtlar: Anneleri tarafından köpek yavrularına doğum öncesi (plazental yolla) veya anne bakımı sırasında bulaşabilir. 5 cm. uzunluğunda ince, beyazımsı veya açık kahverengi parazit bazen bulaşmış olduğu köpeğin dışkısında da görülebilir. Bu parazit türü bazen de kusma yolu ile çıkarılabilirler. Yuvarlak kurt parazitleri, yavru köpeklerde yaygındır ve onlara şişkin göbekli bir görünüm verebilir. Larvası köpeğin bedeninde dolaşır. Bir yuvarlak kurt enfeksiyonundan büyüme bozukluğu, ishal, kusma, dışkıda kan, su kaybı, ve bazen zattüre oluşabilir. Tedavinin tekrarlanması ve uzun süre devam edilmesi gerekir. • Kancalı Kurtlar: Bu tür, bağırsak parazitleri içerisinde en tehlikeli olanlardandır.
Annelerinden köpek yavrularına doğum öncesi veya anne bakımı sırasında bulaşabilir. Kancalı kurtların belirtisi arasında bitkinlik, kansızlık, iştahsızlık, siyah ve kanlı dışkı sayılabilir. • Trişin: Bu parazit köpeğin sindirim sisteminin alt ucuna yerleşir ve kronik bağırsak
iltihaplanmasına, dışkıda mukus, kilo kaybı ve ishale yol açar.
• Kalp Kurdu: Bir sivrisineğin sokması ile bulaşır. Bu son derece tehlikeli parazit köpeğin kalbine yerleşir ve gerek kalp gerekse de akciğer hasarına, öksürük, durgunluk ve bitkinliğe yol açar. Bu hastalık akciğerleri, akciğerlere kan taşıyan damarları ve kalbi etkilemektedir. Belirtiler çabuk yorulma, öksürük, kusma, kilo kaybı, solunum güçlüğü ve bazen ani ölümdür. Sivrisinekler olmadan bu hastalık yayılamaz. Subtropikal iklimli bölgelerde hastalık çok sık görülmektedir. Ancak göl, nehir ve deniz kenarlarında sivrisineklerin yoğun olduğu bölgelerde hastalık yine yoğun olarak görülmektedir. Köpeklerle karşılaştırıldığında kediler bu hastalığa karşı daha dirençlidir. Ancak enfekte olduklarında bu hastalık kedilerde daha şiddetli seyretmektedir. Kalp kurdundan koruma çok basittir. Koruyucu ilaçlar sivrisinekler tarafından bulaştırılan larvaları öldürür. Birçok durumda aylık olarak kullanılan tabletler etkili bir koruma sağlamaktadır. Kalp kurtlarının bulunup bulunmadığını saptamak için bir kan muayenesi yapılır.
• Askarisler: Oksiyürlerden daha tehlikeli parazitlerdir. Boyları 15 ila 40 santim arasında olduğu için, bunlara halk dilinde "bağırsak solucanları" adı verilir. Dişi solucanların yumurtaları dışkı ile atıldığından bu hastalık insan gübresi ile sulanan sebzelere bulaşır. Çiğ olarak, hele yıkanmadan, yenen sebzelerle birlikte ince bağırsağa ulaşan yumurtalar, burada açılarak larva(yavru) haline gelirler. Larvalar bağırsak zarını delerek kana karışırlar. Kan dolaşımı ile
akciğerlere kadar gelir; iltihaplara sebep olurlar. Askarisler, safra kesesine kadar ulaştıkları takdirde sarılık ortaya çıkar. Askarisler yumurtlamak için tekrar bağırsaklara dönerler. Bazen yumrular halinde birleşerek bağırsak tıkanmalarına yol açarlar. Tedavisi, aynen oksiyürlerde olduğu gibi ilaçla yapılır ve tedavi bütün aile üyelerine uygulanır. Bu parazit türünden korunma yöntemleri ise sebzelerin mümkün mertebe çiğ olarak yenmemesi; yeneceği zaman bol su ile yıkanması, ayrıca temizliğe dikkat edilmesi ve çocuklara temizlik alışkanlığı kazandırılmasıdır.
• Bağırsak Şeritleri (Tenyalar): Tenyalar, askarislerden daha uzun olup boyları 4 ile 10 m arasında değişmektedir. Başları toplu iğne büyüklüğünde, gövdeleri yassı halkaların birbirine eklenmesi ile oluşmuştur. Tenyaların varlığı, bu parçaların koparak dışkıya karışması sonucu anlaşılır. Tenya yumurtaları da yine dışkı ile atılır. Yumurtalar büyükbaş hayvanların vücudunda konaklar veya larva haline dönüşürler. Dolayısıyla, insana da bu hayvanların etiyle bulaşır. İyi pişmemiş yahut çiğ olarak yenen etlerle insan vücuduna girer; bağırsaklara yerleşirler. Tenyalar salgıladıkları zehirli maddelerle organizmayı etkiler, çeşitli rahatsızlıklara sebep olurlar. Belirtileri olarak, dışkıda tenya parçalarına rastlanması, baş dönmesi, karın ağrısı, kusma, ishal ve devamlı açlık duygusu şeklinde sıralanabilir. Tedavisi için tenyaları düşüren özel ilaç kullanılabilir. Bu parazitlerden bazıları larva şeklindeyken köpeğin pireyi yuttuğu zaman ortaya çıkar. İştah kaybı, kansızlık, ishal v.b belirtilere neden olurlar. Bazı tenya türleri insan sağlığı açısından çok önemli riskler içermektedir.
• Çengelli Kurtlar: Beyaz ya da sarımtırak renkte olan çengelli kurt, 8 mm ile 1,5 m arası boydadır. Yumurtaları pis sularda gelişir, dolayısıyla çocuklara pis sulardan geçer. Onikiparmak bağırsağında yerleşir ve çoğalırlar. Kan emerek beslendiklerinden bir müddet sonra kansızlık ve sindirim sistemi bozukluklarına sebep olurlar. Tedavisi için doktor kontrolünde ilaç kullanılır. Diğer parazit çeşitlerinden korunmak için gerekli olan temizlik kuralları şüphesiz burada da geçerlidir.
• Kedi-Köpek Parazitleri: Kedi, köpek, tavşan gibi evcil hayvanların bağırsaklarında gelişen bazı solucan tiplerinin dişileri, yumurtalarını bu hayvanların dışkısına bırakırlar. Dışkı ile dışarı atılan yumurtalar etrafa yayılırken; aynı zamanda hayvanların tüyleri arasına da girerler. Çocuk onları severken tırnak aralarına geçer; oradan da yemek yerken ağız yoluyla bağırsaklara ulaşırlar. İnce bağırsaklara açılan yumurtalar, kurtçuk (larva) halinde kalıp gelişmezler.
Bağırsak çeperlerini delip kana karışırlar. Kan yoluyla karaciğer, akciğer, beyin zarı ve göz gibi hayati önem taşıyan organlara yayılırlar. Tedavi ile vaktinde zararsız hale getirilmeyen parazit larvaları, yerleştikleri dokularda kalıp kireçleşirler. Kireçlenmeleri halinde ameliyattan başka çare yoktur. Erken müdahalelerde ilaç tedavisi yeterlidir. Bu parazit türünden korunmak için, parazit taşıma ihtimali olan ev hayvanları ilaçlanmalı, temizliklerine dikkat edilmeli ve vaktinde aşıları yaptırılmalıdır.
• Pireler: Bu canlılar gözle görülebilecek büyüklüktedirler. Genelde kedi, köpek v.b. evcil hayvanlar üzerinde bulunurlar. Pireler bulundukları hayvanın kanını emerek beslenirler. Kaşıntıya ve alerjilere neden olurlar. Rutin pirelere karşı mücadele etmek en etkin yöntemdir. Yaşanılan bölgeye göre, pire mevsimi birçok ay sürebilir. Pirelerin yumurtaları hayvan üzerinde açılmaz bulunduğu ortamda uygun koşullarda açılır ve larval gelişimini tamamladıktan sonra ortamdaki diğer hayvan ve insanlara geçer. Bundan dolayı, pirelerden korunmak için hem hayvanları hem de çevreyi (hayvanın bulunduğu yeri ) ilaçlamak gerekir.
• Keneler: Pireler kadar yaygın olmayan kenelerin birçok çeşidi vardır. Bir kenenin ısırması hayvanlara birtakım kan parazitlerini bulaştırabilir. Hayvan derisinde bir kene görüldüğünde mümkün olduğu kadar onu kafasına yakın bir yerden bir cımbız ile sıkıştırarak çıkarılması gerekir. Enfeksiyonu engellemek için ısırdığı yere alkol veya oksijen dökülmelidir.
İnsanlarda görülen parazit türleri genelde iki sınıfa ayrılır: protozoa ve helminthler. Bunlarda kendi aralarında nematodlar, trematodlar ve cestodlar olmak üzere çeşitlere ayrılır [5]. Yukarıda da belirtildiği gibi parazitler insan vücuduna su, toprak, sebze, meyve ve hayvan yolu ile taşınır. Daha sonra, karaciğer, akciğer gibi insan iç organlarına yerleşirler.
Parazitler, insan vücudunda parazitik zehirlenme, ateşlenme gibi değişik rahatsızlıklara yol açmaktadırlar. Günümüzde daha çok deniz aşırı seyahatler ve bir ülkeden başka bir ülkeye ithal edilmiş uluslararası yiyeceklerin tüketilmesi, parazitik hastalıklara yol açmaktadır.
3. UZMAN SİSTEMLER
Uzman sistemler, belirli bir uzmanlık alanında, gerçek kişilerden derlenen bilgileri temel alarak, zamanla kendisini geliştirebilme yeteneği de olan yazılımlardır. 1970'lerde yapay zeka alanındaki araştırmacılar tarafından geliştirilmiş ve ticari olarak 1980'lerde uygulanmaya başlanmıştır. Bu programlar, belirli bir problem hakkındaki bilgiyi çözümleyen, problemlere çözümler sağlayan, tasarımına bağlı olarak, düzeltmeleri yapmak için bir iş dizisi öneren programlardır.
Özellikle tıp ve danışmanlık gibi hizmet sektörlerinde, uzman eksiğini giderme veya maliyetleri düşürmek amacıyla kullanılırlar. Günümüzde uzman sistemler birçok alanda kullanılmaktadır ve farklı alanlar için yeni uzman sistemler geliştirilmektedir. Günümüzde teknolojinin ilerlemesiyle ile oluşturulan bir uzman sistem, bilgi tabanı ve kuralları değiştirerek farklı alanlarda kullanabilir hale getirilmiştir.
Günümüzde bilginin önemi daha açık bir şekilde ortaya çıkmıştır. Bilginin önemi arttığı oranda o bilgiye ulaşabilmeyi sağlayan sistemlerin de önemi artmıştır. Teknolojik gelişmelere paralel olarak bütün iş sektörlerinde bilgisayarlar kullanılmaya başlanmıştır. Gerekli bilgi, bilgisayar ortamında saklanarak, istenildiğinde yöneticilere sunulmaktadır. Burada önemli olan bilgilerin toplanması, organize edilmesi ve dağıtılmasıdır.
Uzman sistemlerin birçok farklı alandaki zor seviyede sayılabilecek problemleri başarılı bir şekilde çözüme kavuşturması, dikkat çekmelerindeki en önemli unsuru oluşturmuştur. Uzman sistemler, özellikle bilgisayar sistem tasarımı ve hastalık teşhisi gibi konularındaki başarılarıyla ön plana çıkmışlardır.
Uzman sistemler, temelde uzman bir insan düzeyinde problem çözmede, insan bilgisini yoğun biçimde kullanan programlardır. Belirli bir konuda çok az insanda bulunabilen düzeyde bilgi sahibi olan kişiye uzman denir. Yani uzman insan, pek çok kişinin çözemeyeceği bir problemi çözebilen veya pek çok insandan çok daha etkin ve çabuk biçimde çözebilen birisidir. Bu tanımdan sonra uzman sistem kavramını, tekrar alacak olursak; bir uzman insanın çözebileceği karmaşık problemlerin bilgisayar ile çözümüne olanak sağlayan sistemlerdir denilebilir.
Bir uzman sistem belirli bir alanda bilgiye sahip uzman ya da uzmanların bilgilerini depolar. Uzman sistemin çözüm getireceği alana “domain” denir. Mesela litertürde yer alan ilk uzman sistem örneği olan DENDRAL’in domaini “bilinmeyen bileşiklerin moleküler yapılarının tayini” dir [13], [14].
Uzman sistem içerisinde tanımlanan “bilgi” önemli bir kelimedir. Çünkü Uzman Sistemler bünyelerinde var olan bilgi ile sonuca varırlar [13]. Uzman sistemler, algoritmik programlardan yani kesin sonucu olan programlardan çok farklıdır. Fakat Uzman sistemlerde ise kesin sonuç olmayabilir. Uzman sistem eldeki bilgiyi değerlendirerek yorum yapmaktadır. Uzman Sistemler, problem çözmede uzman
bilgisini yani insan bilgisini kullanırlar. Bu sistemlerde uzman bilgisi, bilgi ya da kurallar kümesi olarak adlandırılır. Bu bilgi ve kurallar kümesi problem çözümünde ihtiyaç duyulursa kullanılır.
3.1. Uzman Sistemlerin Temel Bileşenleri
Bir uzman sistem, geliştirme çevresi ve görüşme çevresi olmak üzere iki ana bileşenden oluşmaktadır [15]. Geliştirme çevresi, sistemin bileşenlerini kurmak ve uzman bilgilerini bilgi tabanına girmek için uzman sistem içerisinde kullanılır. Görüşme çevresi ise uzmanlık niteliğine ulaşabilmek için uzman adayları tarafından kullanılır. Uzman sistemi oluşturan ana bileşenler aşağıdaki gibi verilmiştir:
1. Bilgi kazanımı, bilgi kaynaklarından bir bilgisayar programına problem çözümü için bilgi aktarımı ve dönüştürme işlemlerinin tamamıdır.
2. Bilgi tabanı, problemlerin anlaşılması ve çözümü için gerekli olan tüm bilgileri içerir. Ayrıca standart çözüm ve karar alma modellerini de içerir.
3. Çıkarım mekanizması, uzman sistemin beynidir. Bilgi tabanı ve çalışma alanında bulunan bilgiler üzerine düşünmek için bir yöntem sunan ve sonuçları biçimlendiren bir bilgisayar programıdır. 4. Çalışma alanı, giriş verileri tarafından belirlenmiş problem tanımları için hafızanın bir tarafında
bulunan çalışma alanıdır.
5. Kullanıcı ara yüzeyi, uzman sistemler, kullanıcı ile bilgisayar arasında probleme yönelik iletişimin sağlanması için bir dil işleyici içerir.
6. Açıklama, uzman sistemleri diğer sistemlerden farklı yapan bir özelliği de açıklama modülünün olmasıdır. Bu bileşen, kullanıcıya çeşitli yardımların verilmesi ve soruların açıklanmasında olduğu kadar, uzman sistemin çıkardığı sonucu nasıl ve neden çıkardığını açıklayabilmesidir. 7. Performans geliştirme, bir uzman sistemin kendini iyileştirmesi öğrenme ile ilgili bir konudur.
Sistemlerin bir uzman insan gibi öğrenebilmelerine yönelik çalışmalar sinirsel ağlar üzerinde sürdürülen araştırmalarla devam etmektedir.
3.2. Uzman Sistemlerin Temel Özellikleri
Bir uzman sistemin temel özellikleri aşağıdakiler olarak sıralanabilir: • Hazırlanan uzman sistemin güvenilir olması, hata vermemesi gerekir.
• Uzman sistemin, bir konuda vardığı sonucun aşamalarını sırayla açıklayabilmesi gerekir.
• Bir Uzman Sistemde kullanmak üzere büyük miktarda bilgi yüklemek gerekir. Bu yüzden bilgi ilave etmek, değiştirmek ve silmek için etkin bir mekanizmanın uzman sisteme eklenmesi gerekir. • Bir uzman sistem programı, sorulan sorulara uzman bir insana denk veya daha iyi bir düzeyde
• Tasarlanan sistemin, sorulan sorulara yönelik bir sonuca makul bir sürede varabilmesi ve hatta uzman bir insandan daha çabuk karar verebilmesi gerekir.
3.3. Uzman Sistemlerin Sağladığı Faydalar
Uzman sistemlerin bizlere sağladığı başlıca faydalar aşağıdaki gibidir:
1. Uzman Sistem kullanımı ile karşılaştırıldığında insanların incelemeleri daha pahalı görülmektedir. Böylece kullanıcı başına düşen uzmanlık maliyeti azalmış olur.
2. Hazırlanan uzman sistem programı sayesinde uzman bilgisi herhangi bir bilgisayara yüklenebilir. Bilgi almak için uzman kişiyi beklemeye gerek kalmaz.
3. Uzman sistemler insanlardan daha hızlı çalışır. Artan çıktının anlamı, daha az sayıda insan ve daha düşük maliyettir.
4. Zamanla emekli olabilen veya hayata veda eden insan uzmanların aksine, uzman sistem bilgisi kalıcıdır.
5. Uzman sistem, varılan sonucun nedenlerini ayrıntılı olarak açıklar. Oysa bir insan bunu her zaman yapamayabilir.
6. Uzman sistemler tutarlı ve uygun çözümler üreterek ve hata oranını düşürerek, kalitenin iyileştirilmesini temin ederler.
7. Birçok uzman sistem hatalı işlemleri tespit etmek ve onarım için tavsiyelerde bulunması için kullanılır. Uzman sistem ile bozulma sürelerinde önemli bir azalmanın sağlanması mümkündür. 8. Uzman sistemlerin kullanımı üretim aşaması ve servis sunulması sırasında esneklik sağlar.
9. İzleme ve kontrol için insanların pahalı cihazlara bağlı kaldığı durumlar vardır. Fakat uzman sistemler ile aynı görevler daha ucuz cihazlarla yerine getirilebilir.
10. Bazı insanlar tehlikeli çevrelerde çalışırlar. Uzman sistemler ise insanların tehlikeli çevrelerin dışında kalmasına imkan sağlar. Uzman sistemler, insanlar için zararlı veya tehlikeli olan bütün ortamlarda rahatlıkla kullanılabilir.
11. Uzman sistem güvenilirdir. Uzman sistem bilgilere ve potansiyel çözümlere üstün körü bakmaz, tüm detayları yorulmadan ve sıkılmadan dikkatlice gözden geçirir.
12. Bazı durumlarda hızlı veya gerçek zamanlı cevap vermek gerekebilir. Kullanılan yazılım ve donanıma bağlı olmak şartıyla, bir uzman sistem, özellikle verilerin büyük bir kısmının gözden geçirilmesi gerektiğinde bir insandan çok daha hızlı cevap verecektir.
13. Uzman sistemin açıklayabilme özelliği bir öğretim cihazı gibi kullanılarak eğitim sağlanabilir. 14. Uzman sistemler, uzmanların yargılarını bütünlemeye imkan sağlayarak, problem çözme
kabiliyetlerini yükseltirler. Bu sistemler bilgileri nümerikten ziyade sembolik olarak işledikleri için bir çok yöneticinin karar alma stilleri ile uyumludur.
15. Uzman sistemler, bir veritabanı dosyasına akıllıca erişebilir. 3.4. Uzman Sistemlerde Örüntü Tanıma
Örüntü tanıma günümüzde uzman sistem tasarımında kullanılan en önemli araçlardan birirdir. Örüntü tanıma yapay zekanın alt dalı olan makina öğrenmesinin bir koludur. Örüntü tanımada amaç makinanın gördüğü örüntülerin özniteliklerini kullanarak daha önceden eğitildiği ya da öğrendiği şekilde bu örüntüleri sınıflandırmasını sağlamaktır [16].
Bir diğer tanımda ise, örüntü tanımanın, aralarında ortak özellik bulunan ve aralarında bir ilişki kurulabilen karmaşık işaret örneklerini veya nesneleri bazı tespit edilmiş özellikler veya karakterler vasıtasıyla tanımlama veya sınıflandırma olduğu belirtilmiştir. Örüntü tanıma, yapay zekanın alt dalı olan makina öğrenmesinin bir koludur. Örüntü tanımada amaç, makinanın gördüğü örüntülerin özniteliklerini kullanarak daha önceden eğitildiği ya da öğrendiği şekilde bu örüntüleri sınıflandırmasını sağlamaktır.
Bir nesneyi tanımak, onu bir sınıflandırma içerisinde değerlendirmek anlamına gelir. İster nesneler, isterse de insanlar olsun, her iki durumda da tanıma, nesnenin birçok gizli özelliğinin anlaşılmasına yardımcı olur. Genellikle nesnenin rengi, biçimi, dokusu, büyüklüğü vb. özellikleri onun tanınmasını sağlar. Bu özelliklerden cismin biçimi – bileşenleri arasındaki ilişkiler tanımada önemli rol oynamaktadır. Örneğin bir masa, büyüklüğüne ya da küçüklüğüne, rengine bağımlı olmayarak biçimine göre kolayca tanınmaktadır. Araştırmalar ışında bulunan sonuçlara göre, algısal sistem nesneyi, çizgiler, kenarlar ve açılar gibi ilkel bileşenlere göre tanımlamak için retina üzerindeki bilgileri, özellikle de yoğunlaşmadaki farklılıkları kullanır.
Örüntü, ilgilenilen varlıklar ile ilgili gözlenebilir veya ölçülebilir bilgilere verilen addır. Gerçek dünyadaki bu örüntüler, genellikle ilgilenilen verilerin nicel tanımlama şekilleridir [17]. Örüntü tanıma, insanların çeşitli ses, resim ve benzeri tüm örüntülerin biçimsel şekillerinden çıkardıkları dilsel şekillendirmedir. Aslında, örüntü tanıma bilimin, mühendisliğin ve günlük hayatın geniş bir alanındaki etkinlikleri kapsamaktadır. Örüntü tanıma uygulamalarını insanların yaşantısında da görebiliriz: Hava değişiminin algılanması, binlerce çiçek, bitki, hayvan türünü tanımlama, kitap okuma, yüz ve ses tanıma gibi bulanık sınırlara sahip birçok etkinlikte örüntü tanıma kullanılır. İnsan örüntü tanıması, geçmiş tecrübelere dayalı öğrenme esaslıdır. Böylece, insanlar pratikte karşılaştığı örüntü tanıma olaylarını tecrübeleri ışığında değerlendirebilme yeteneğine sahiptir. Belirli bir sesi tanımak için kullanılan kuralları tanımlamak mümkün değildir. İnsanlar bu işlemlerin birçoğunu oldukça iyi yapmalarına rağmen, bu işlemleri daha ucuz, iyi, hızlı ve otomatik olarak makinelerin yapmasını arzularlar. Örüntü tanıma, böyle akıllı ve öğrenebilen makineleri gerçekleştirmek için, çok boyutlu bir mühendislik disiplinidir.
Örüntü tanıma olayını şu şekilde irdeleyebiliriz: Aralarında ortak özellik bulunan ve bir ilişki kurulabilen karmaşık işaret örneklerini veya nesneleri bazı tespit edilmiş özellikler veya karakterler
vasıtası ile tanımlama veya sınıflandırmadır. Bu bağlamda, örüntü tanımanın en önemli amaçları; bilinmeyen örüntü sınıflarına belirli bir şekil vermek ve bilinen bir sınıfa ait olan örüntüyü teşhis etmektir. Örüntü tanıma tekniklerinin uygulamaları birçok mühendislik, tıp, askeri ve bilim alanına açıktır. Bunlardan bazıları; ses tanıma, EEG sınıflama, DTMF haberleşme işaretlerini tanıma ve radar hedef sınıflama, biyomedikal kontrol, veri madenciliği verilebilir. Örüntü tanıma olarak bilinen bu uygulamalar, makine öğrenmesi, örüntü sınıflandırma, ayrım analizi ve nitelik tahmini gibi isimlerle de anılmaktadır. Örüntü tanıma kavramı, Şekil 3.1. de gösterildiği gibi üç önemli birimden oluşmaktadır:
• İşaret / Resim İşleme: Ön işlem aşamasıdır. İşaret veya resmin filtre edildiği, çeşitli dönüşüm ve gösterim teknikleri ile işlendiği, bileşenlerine ayrıldığı veya modellendiği kısımdır.
• Özellik Çıkarma: İşaret ve resmin veri boyutunun indirgendiği ve tanımlayıcı anahtar özelliklerinin tespit edildiği ve aynı zamanda normalizasyona tabi tutulduğu aşamadır. Sistemin başarımında en etkili rolü oynar.
• Sınıflandırma: Çıkarılan özellik kümesinin indirgendiği ve formüle edildiği tanımlayıcı karar aşamasıdır.
ÖRÜNTÜ TANIMA
Özellik Çıkarma Sınıflandırma İşaret / Resim
İşleme
ÖRÜNTÜ TANIMA SİSTEM YAPISI
3.5. Uzman Sistemlerin Kullanım Alanları
Günümüzde bilginin kullanıldığı hemen her alanda uzman sistemler kullanılmaktadır [13]. Literatürde yer alan bazı uzman sistemler araştırmalarda kullanılırken, bazıları önemli iş ve endüstri alanlarında kullanılmaktadır.
Litertürdeki ilk uzman sistemler, kimyasal analiz (DENDRAL), hastalık teşhisi (MYCIN), petrol bulmak üzere jeolojik veri (DIPMETER) ve mineral analizi (PROSPECTOR), bilgisayar konfigürasyonu (XCON) yapabilmişlerdir. PROSPECTOR’ın jeolojik verileri analiz ederek 100 milyon dolarlık petrol bulunmasında yardımcı olduğu ve XCON sisteminin DEC firmasına milyonlarca dolarlık tasarruf sağladığı haberleri, 1980’lere gelindiğinde uzman sistemlere olan ilgiyi hayli arttırmıştır. Böylece insan bilgisini işlemek üzere 1950’lerde ortaya atılan yapay zeka kavramının bu yan dalı, artık ticari başarı kazanmak üzere kullanılmaya başlanmıştır.
İlk Uzman Sistemler 1970’li yıllarda ortaya çıkmıştır. Bu dönemde üzerinde çalışma yapılan başlıca Uzman Sistem şunlardır [18], [19]:
1. DENDRAL Kimyasal Analiz Uzmanı Sistemi: Genelde ilk uzman sistem olarak kabul edilen DENDRAL için çalışmalara 1960’ların ortasında Standford Üniversitesi’nde başlanmıştır. Bilinmeyen bileşiklerin moleküler yapısını bulmak maksadıyla hazırlanan DENDRAL başarılı bir uzman sistem olduğu için halen de dünyanın pek çok yerinde kimyagerler tarafından kullanılmaktadır [18], [19].
2. HEARSAY I-II Konuşma Tanıma Uzman Sistemi: Carnegie-Mellon Üniversitesi’nde geliştirilen HEARSAY I (1969) ve HEARSAY II (1971) uzman sistemleri, bilgisayara ses dalgası olarak verilen insan konuşmasını yazılı bir çıktı halinde ekranda görüntülemek amacıyla hazırlanmıştı. Bu ses dalgasından, konuşmanın ne olabileceği hakkında hipotezler türetilmekte ve daha sonra en iyi tahmin ise sonuç olarak sunulmaktadır. Bu uzman sistem içerisinde ilk defa birden fazla bilgi tabanının kullanılmış olması büyük bir yeniliktir [18], [19].
3. MYCIN Kan Enfeksiyonları Uzman Sistemi: MYCIN, 1970’li yıllarda Standford Üniversitesi’nde geliştirilmiştir. Bugüne kadar hiçbir zaman kullanıma sokulmamasına rağmen, MYCIN, bugüne kadar geliştirilen uzman sistemlerden en çok bilinenidir. Uzman sistemler konusunda hazırlanan yazıların çoğu MYCIN üzerine yoğunlaştığından, bu uzman sistem bu alanda yapılan sonraki çalışmaları teşvik edici bir rol oynamıştır. MYCIN uzman sistemi, menenjit ve bakteriyel enfeksiyonların teşhis ve tedavisinde doktorlara yardımcı olmak amacıyla gerçekleştirilmiştir [18], [19].
4. XCON Bilgisayar Konfigürasyonu Uzman Sistemi: Rutin işlerde kullanılan uzman sistemlere verilen en klasik örnek, Digital Equipment Corp. (DEC) tarafından geliştirilen XCON isimli Uzman Sistem, DEC’in bilgisayar sistemlerinin konfigürasyonunda kullanılmak için hazırlanmıştır [18], [19].
4. UZMAN SİSTEM TASARIM SÜREÇLERİ
Bu bölümde tez çalışmasında gerçekleştirilen otomatik parazit tanıma mekanizmasının ön işlem, özellik çıkarımı ve sınıflandırma süreçlerinde kullanılan yöntemler sırasıyla irdelenmiştir. 4.1. Ön İşlem Süreci
Çalışmanın ön işlem sürecinde resim işlenirken median filtreleme işlemi kullanılmıştır. Aşağıda temel resim işleme teknikleri ve median filtreleme işlemi hakkında genel bilgiler verilmiştir. 4.1.1. Resim İşleme
Resim, bir nesnenin sunumudur. Resim işleme ise bir resimden başka bir resmin elde edilmesi için kullanılan tekniklerin bütünüdür. Resim işleme teknikleri, resmin insan veya bilgisayar tarafından anlaşılabilmesi yada yorumlanabilmesini sağlamak için kullanılır. Resim işleme, resim ile ilgili üç temel problemin çözümü için geliştirilmiştir [20]. Bunlar;
• Veri transferinin kolaylaştırılması için resim sayısallaştırma, kodlama ve depolanma • Resim zenginleştirme ve restorasyonu,
• Makine görmesinin ilk basamağını oluşturan resim bölümleme ve resim tanıma
İlk gerçekleştirilen resim işleme uygulamalarından biri, gazete endüstrisi alanında olmuştur. 1920’de Londra ile New York arasında, deniz altından çekilen bir kablo ile resim transferi gerçekleştirilmiştir. Bu kablolu resim transfer sistemi sayesinde Atlantik üzerinden daha önceleri en az bir haftada yapılabilen resim transferi işlemi 3 saatten daha az bir sürede gerçekleştirilmiştir [21]. 1960’ların başında sayısal resim işleme uygulamalarını gerçekleştirebilecek bilgisayarların geliştirilmesi ile resim işleme uygulamalarında da büyük atılımlar görülmüştür. Bu döneme denk gelen ve Amerika Birleşik Devletlerinin uzay programında olan ay yüzeyinin incelenmesi çalışmalarında, gönderilen uzay aracı tarafından çekilen ay yüzeyi resimlerindeki bozuklukların giderilmesi ve resim kalitesinin arttırılması işlemleri, sayısal resim işlemenin önemini bir kez daha göstermiştir. Uzay uygulamalarına paralel, 1970’lerin başında, Tıp alanında, ücra yeryüzü kaynaklarının tespitinde ve astronomi alanlarında da resim işleme uygulanmaya başlanmıştır. Yine, 1970’lerin başında bilgisayarlı tomografinin (Computerized Axial Tomograph, CAT) keşfiyle, resim işleme en önemli uygulama alanı olan tıbbi teşhis ortaya çıkmıştır.
Resim işleme, 1960’lardan günümüze kadar kuvvetlenerek gelişmiştir. Tıp ve uzay alanındaki uygulama alanlarına ek olarak, resim işleme günümüzde geniş bir yelpazede uygulama imkanı bulmuştur. Röntgen (X-Ray) resimlerinin daha kaliteli sunumu için parlaklık kalitesinin arttırılması,
biyoloji, tıp ve diğer endüstri alanlarındaki resimlerin işlenmesi için bilgisayar yazılımları geliştirilmiştir. Coğrafyacılar, aynı teknikleri kullanarak uydu fotoğraflarından yeryüzü üzerindeki kirlenmeler üzerine çalışmaktadırlar. Arkeolojide, sadece resimleri mevcut olan sanat eserlerinin, resimlerindeki bulanıklığın ve bozukluklarının giderilmesi için resim işleme tekniklerini kullanırlar. Resim zenginleştirme ve restorasyonu işlemleri, kalitesiz resimlerdeki tanımlanamayan nesnelerin belirlenmesinde ve tekrarlanması maddi olarak zor olan deneylerin sonuçlandırılmasında kullanılırlar. Fizik ve bağlantılı alanlarda resim işleme, elektron mikroskobu ve yüksek enerji plazma deneylerinin resimlerinin zenginleştirilmesinde kullanılır. Böylece resim işleme, astronomi, nükleer tıp, savunma, biyoloji ve endüstriyel uygulama alanlarında başarılı bir şekilde kullanılmıştır ve kullanılmaktadır. Diğer taraftan resim analizi ve bilgisayar görmesi, son yıllarda hem teorik hem de pratik alanlarda çok büyük ilerlemeler kat etmiş ve geniş uygulama imkanı bulmuştur. Sayısal haberleşme, hava durumu tahmini, çoklu ortam sistemleri, malzeme bilimi, robotik ve akıllı algılama sistemleri en fazla ilgi gören alanlar olmuştur [22].
Video resimlerin sıkıştırılması, resim kalitesinin artırılması, internet ortamında resimlerin iletilmesi, parmak izi tanıma, yüz tanıma, karakter tanıma, uydu fotoğraflarının incelenmesi, radar imgelerinin değerlendirilmesi, elektronik savaş ve özellikle tıp alanındaki uygulamalarına sıkça rastlanmaktadır. Röntgen ve MR (Manyetik Rezonans) resimlerinin incelenmesi, patolojik doku örneklerinin analizi, mikro canlıların boyutlarının otomatik bulunması ve kan hücrelerinin sayımı gibi örnek uygulamalara literatürde rastlanmaktadır [23].
Resim işlemedeki temel basamaklar Şekil 4.1’de gösterilmiştir. Buradaki her bir blokta, amaca uygun spesifik bir dizi işlem gerçekleştirmektedir. Uygulanacak işlemler sonrasında sistemin çıkışı, yeni bir resim, giriş resminin bir kısmı veya giriş resmindeki nesneler olabilir. Her bir bloğun kullanım amacı şöyledir;
Renkli Resim İşleme Morfolojik İşlemler Bilgi Temeli Resim Sıkıştırma Resim Restorasyonu Resim Zenginleştirme Resim Elde Etme Bölütleme Sunma ve Tanımlama Nesne Tanıma Bu işlemlerin çıkışı genellikle yeni bir resimdir
Bu i
şlemlerin ç
ık
ış
ı genellikle resim davran
ış
ıd
ır.
Şekil 4.1. Resim işlemede temel basamaklar.
Resim Elde Etme: Resmin elde edilmesi ve sayısallaştırılması, resim işlemenin ilk adımıdır. Bilgisayar, doğrudan resimle ilgili olmaktan çok sayısal veri ile çalıştığı sürece, bilgisayar ile işlem yapmaya başlamadan önce resim sayısal biçime çevrilmelidir. Fiziksel resim elemanları (veya piksel) adı verilen küçük bölgelere ayrılırlar. En genel alt bölümlere ayırma şeması şeklinde verilen iki boyutlu bir dizi şeklinde yapılır. Resim birbirinden bağımsız piksellerden oluşacak şekilde yatay çizgiler halinde bölünür. Sayısal resme her piksel bölgesinde girilen rakam o resimde ilgili noktaya ait parlaklığı göstermektedir.
Resim Zenginleştirme: Resim zenginleştirme, resim işleme bölümlerinin içinde en kolay ve en
çok ilgi çeken kısmı olmuştur. Resim zenginleştirmenin temel amacı, resimde gözle ayırt edilemeyecek kısımların incelenebilir bir duruma getirilmesidir. Örneğin bir resmin parlaklığının arttırılması, resmin daha iyi sunulmasını sağlar.
Resim Restorasyonu: Resim restorasyonu, resim zenginleştirme gibi resmin daha iyi
sunulması içindir. Resim zenginleştirmeden farkı, matematiksel ve olasılık teorisine dayanmasıdır. Resim zenginleştirme daha çok kullanıcının bakış açısına göre düzenlenirken, resim restorasyonu ağırlıklı olarak bir nesnel yapıya dayanır.
Renkli Resim İşleme: Bu kısım, İnternet üzerinde, sayısal resmin sıkça kullanılmaya
başlamasından bu yana büyük önem kazanmıştır.
Resim Sıkıştırma: Adından anlaşılacağı gibi, resimlerin saklanması sırasında gerekli olan
bilgisayarlarda kullanılan JPEG (Joint Photographic Experts Group) formatı, aslında resimlerin daha az yer kaplamaları için kullanılan bir sıkıştırma tekniğidir.
Morfolojik İşlemler: Herhangi bir resim içindeki şekillerin tanımlanması ve sunulması için
morfolojik işlemler kullanılır. Bu bölümde sistemin girişi bir resim, çıkışı ise ayrı bir resim davranışı olarak gözlenir.
Bölütleme: Resim bölütleme, bir resmin, bileşenlerine ayrıştırılması olarak tanımlanabilir.
Genel olarak, resim bölütleme işlemi oldukça zor bir işlemdir. İyi bölütleme işlemleri, ayrıştırılmak istenen nesneyi, resimden başarılı bir şekilde ayrıştırırken, zaman yönünden dezavantaj getirebilir. Diğer taraftan sıradan bölütleme tekniklerinde her zaman belirli bir hata oluşmaktadır.
Sunma ve Tanımlama: Genellikle bölütleme işlemleri sonrasında elde edilen kenarlar veya
resmin belli bir bölümü ile temsil edilen resimdir. Diğer bir deyişle, elde edilen verilerin bilgisayarın anlayabileceği bir formata dönüştürülmesidir. Örüntü tanıma sistemlerindeki anahtar özellik çıkarma bölümüyle paralellik gösterir.
Nesne Tanıma: Nesne tanıma, bir nesnenin, tanımlayıcısına bağlı olarak bir sınıfa atanması
olarak tanımlanabilir. Resim işlemede nesne tanıma, resim içinde bulunan nesnelerin belirli özelliklerinin göz önüne alınarak etiketlendirilmesidir.
4.1.2. Resmin Tanımı
En basit seviyede, resim işleme resimleri işleyebilmek için iki parçadan oluşan özel giriş/çıkış aleti gerektirmektedir; bunlardan birisi resim sayısallaştırıcı ve diğeri ise sayısal resim resimleme cihazıdır. Doğal oluşma biçiminde, resimler bilgisayar analizi için doğrudan uyumlu değildirler. Bilgisayar sayısal (doğrudan resimle ilgili olmaktan çok) veri ile çalıştığı sürece, bilgisayar ile işlem yapmaya başlamadan önce resim sayısal biçime çevrilmelidir. Fiziksel resim elemanları (veya piksel) adı verilen küçük bölgelere ayrılırlar. En genel alt bölümlere ayırma şeması, şeklinde verilen iki boyutlu bir dizi şeklinde yapılır. Resim birbirinden bağımsız piksellerden oluşacak şekilde yatay çizgiler halinde bölünür. Sayısal resme her piksel bölgesinde girilen rakam o resimde ilgili noktaya ait parlaklığı göstermektedir. Bu dönüştürme işleminin kendisine sayısallaştırma işlemi adı verilir. Her piksel bölgesi için resim örneklenmiş ve kuantalanmıştır. Bu adım, her piksel için resmin o noktadaki parlaklığını yada koyuluğunu simgeleyen bir tamsayı yaratılarak gerçekleştirilmektedir. Bu tüm işlem pikseller için yapıldığında, resim tamsayılardan oluşan iki boyutlu bir dizi şeklinde ifade edilebilir. Her pikselin bir tamsayı bölgesi veya adresi (çizgi yada satır numarası ve örnekleme yada sütun numarası) ve gri seviyesi adı verilen bir tamsayısı vardır. Bu sayısal veri dizisi artık bilgisayarda işlenmek üzere bir aday olabilir. Sayısal resim, uygun aygıt üzerindeki geçici saklama ortamına bağlı olan sayısallaştırıcı tarafından üretilir. Kullanıcıdan gelen komutlara tepki olarak, bilgisayar kütüphanesinde bulunan resim işleme programlarını çağırır ve çalıştırır. Çalışma sırasında resim bilgisayar tarafından satır satır okunur. Bir veya birkaç satır kullanıldıktan sonra, bilgisayar bir çıktı resmini piksel piksel oluşturur ve veri saklayıcısında satır satır saklar. Bu süreç boyunca, bu pikseller
programcının yetkisiyle değiştirilebilir. Sürecin adımları programcının sabrı ve hayal gücü ve hesaplayabilme miktarı ile sınırlanabilir. Süreçten sonra, meydana gelen son ürün sayısallaştırmanın tersi olan bir süreçten geçer: Her pikselin gri seviyesi, ilgili noktanın resim ekranı üzerindeki parlaklığını belirlemek için kullanılır. İşlenmiş resim böylece yeniden insanın yorumlamasına açık bir hale getirilir.
Monokrom bir resim, iki boyutlu bir ışık yoğunluk fonksiyonu f(x,y) olarak tanımlanır. Burada
x ve y uzaysal koordinatları, f fonksiyonu ise resmin (x,y) noktasındaki parlaklık değerini
göstermektedir. Eğer resim renkli ise f bir vektördür ve resmin (x,y) noktasında renk bandına uygun her bir parlaklık değerlerini içerecektir. Sayısal resim, hem uzaysal koordinatta hem de parlaklık bazda sayısallaştırılmış f(x,y) resmidir. Diğer bir tanımlama ile sayısal resim iki boyutlu tam sayılardan oluşmuş bir matristir veya her bir renk bandı için bir dizi iki boyutlu tamsayı ile ifade edilebilir. Sayısallaştırılmış parlaklık değerleri, gri seviyesi değerleri olarak adlandırılır. Resmi oluşturan her bir dizi elemanına piksel denir. Bazı resimler yüzlerce hatta binlerce pikselden oluşabilir. Piksel sayısı arttıkça resim kalitesi artarken, azalması durumunda da resim kalitesi azalır. Böylece sayısal bir resim matematiksel olarak şöyle tanımlanır;
⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ − − − − − − = ) 1 , 1 ( ... . ) 1 , 1 ( ) 0 , 1 ( . . . . . . . . . ) 1 , 1 ( .... ) 1 , 1 ( ) 0 , 1 ( ) 1 , 0 ( .... ) 1 , 0 ( ) 0 , 0 ( ) , ( N N f N f N f N f f f N f f f y x f (4.1) 1 ) , (
0≤ f x y ≤G− , burada N ve G tam sayı değerleridir ve 2’nin (N=2n , G=2m) kuvvetleri olarak gösterilir.
Bir resimdeki her bir piksel, üç boyutlu dünyada var olan fiziksel nesnelerin bir bölümüne veya tamamına karşılık gelir. Bu fiziksel nesne kendisini aydınlatan ışığın bir kısmını yansıtırken, diğer bir kısmını da absorbe eder. Nesneden yansıyan ışık, bir algılayıcı kullanılarak nesnenin resmin oluşturulmasında kullanılır. Kaydedilen resmin her bir piksel değeri kullanılan algılayıcıya bağlıdır ve bu algılayıcının yansıyan ışığın spektrumuna cevabı olarak yorumlanır.
4.1.3. Resim Bölütleme Teknikleri
Resim analizindeki ilk ve en zor adım resim bölütlemedir. Yapılacak analizin başarılı olup olmaması, bölütlenmenin başarılı olup olmamasına bağlıdır. Bir resimi, kendini oluşturan parçalarına veya nesnelerine ayırma işlemine resim bölütleme denir. Başka bir deyişle resimdeki aynı karakteristiğe sahip alanların çıkartılması, arka plandan ayrılması, belirgin bir hale getirilmesi işlemine resim bölütleme işlemi denir. Resim bölütleme işlemine, bir cadde resminden arabaların çekip
çıkartılması, pilotun havadayken yerdeki nesneleri ayırt edebilmesi veya iç içe nesnelerin ayrılması örnek olarak verilebilir. Cadde resmi için düşünülürse, yapılan ilk işlem bu resmin bölütlenmesidir. Daha sonra cadde resminin alt bölmelerinin potansiyel araba boyutlarına karşılık gelip gelmediği kontrol edilir. Belirtilen büyüklük bulunamaz ise cadde üzerinde araba olmadığı anlaşılır. Resim bölütleme işlemi resimden tüm nesneler ayrıldığı zaman son bulur. Bölmeler herhangi bir nesne olabileceği gibi farklı bileşenlerde olabilir.
Resim bölütleme algoritmaları, gri seviyeli resimler içerisindeki süreksizlik ve benzerlik özelliklerinin bulunması temeline dayanan iki farklı grupta geliştirilmektedir. Süreksizlik yaklaşımı, gri seviyelerinde ani değişimleri esas alarak resmin bölütlenmesini sağlar. Bu yaklaşım sayesinde resimdeki kenarlar, çizgiler ve noktalar tespit edilir. Benzerlik yaklaşımı ise, eşik, alan büyümesi, alanların ayrılması ve bileştirilmesi temeline dayanır. Statik ve dinamik resimler için noktalar arasındaki gri seviye değerlerinin süreksizlik ve benzerlik özellikleri beraberce kullanılabilir [20]. 4.1.3.1. Eşikleme
Sezgisel özellikleri ve kolayca uygulanabilir oluşu, resim eşiklemeyi, resim bölütleme uygulamaları içinde merkezi bir konuma koymuştur [24]. Şekil 4.2.(a)’daki gri seviyesi histogramının, karanlık bir arka plana ve daha aydınlık bir nesneye sahip olan f(x,y) resmine ait olduğunu varsayarsak, bu durumda arka planın ve nesnenin piksellerinin gri seviyesi değerlerinin iki baskın bölgede guruplaştığı görülecektir. Nesnenin, arka plandan ayrıştırılmasının en basit yolu, bu iki gurubu ayırabilecek bir T eşik değerinin seçilebilmesidir. Sonra herhangi bir (x,y) noktası ki, f(x,y)>T ise nokta nesneye aittir, aksi durumda noktanın arka plan öğesidir. Şekil 4.2.(b)’ de bu yaklaşımın en genel hali görülmektedir. Burada çok seviyeli eşikleme ile bir (x,y) noktası, eğer T1<f(x,y)<T2 ise
birinci nesneye, f(x,y)>T2 ise ikinci nesneye ve f(x,y)<T1 ise arka plan olarak sınıflandırılır.
T T1 T2
(a) (b)
Şekil 4.2. Gri seviyesi histogramı (a) Tek eşik değer (b) Çok seviyeli eşik değer
Eşikleme, ayrıca bir T=T[x,y, p(x,y), f(x,y)] fonksiyonunun işlevi olarak gösterilebilir. Bu durumda f(x,y), (x,y) noktasının gri-seviyesi değerini, p(x,y) ise o noktanın yerel bir özelliğini gösterir.
Örneğin merkezi (x,y) ve onun komşuluğunda olan diğer piksellerin ortalama değerini göstersin. Böylece eşiklenmiş bir resim şöyle tanımlanır;
⎩
⎨
⎧
≤
>
=
T
y
x
f
T
y
x
f
y
x
g
)
,
(
0
)
,
(
1
)
,
(
(4.2)
Denklemde 1 olarak etiketlenen pikseller nesneyi gösterirken, 0 ile etiketlenen pikseller arka planı gösterecektir. T değeri sadece f(x,y) değerine bağlı ise buna global eşikleme denir. Diğer taraftan T hem f(x,y) hem de p(x,y) değerlerine bağlı ise bu da yerel eşikleme olarak adlandırılır. Ayrıca eğer
T,
x ve y uzaysal koordinatlara bağlı ise bu tür eşikleme dinamik veya uyarlamalı olarak adlandırılır.a. Temel Global Eşikleme: Eşikleme teknikleri içersinde en sade olanı, kullanılan tek bir T eşik değeri ile resim histogramını bölütleyen tekniktir. Bu durum Şekil 4.2.(a)’ da gösterilmiştir. Burada bölütleme, resmin piksel piksel taranarak her bir pikselin parlaklık değerinin seçilen eşik değerden büyük veya küçük oluşuna göre arka plan veya nesne olarak etiketlenmesi ile gerçekleştirilir. Bu tekniğin başarımı, resim histogramının ne kadar iyi bölütlenebilmesi ile doğrudan ilgilidir. Şekil 4.3.(a)’ da bir parmak izi ve Şekil 4.3.(b)’ de ise resmin histogramı görülmektedir. Şekil 4.3.(c)’ de ise resmin maksimum ve minimum gri-seviyesi arasında seçilen bir T eşik değeri ile bölütlenmiş resim görülmektedir. Bu eşik değeri net bir bölütleme gerçekleştirmiştir. Resimde bulunan gölgeler elimine edilmiş ve sadece nesne, arka plandan alınmıştır. Burada ayrıştırılmak istenen nesne arka plandan daha koyu parlaklıkta olduğu için T eşik değerinden küçük gri-seviyesi değerine sahip bütün pikseller
0 yani siyah, bu değerden büyük pikseller ise 255 yani beyaz olarak yeniden düzenlenecektir.
i=imread('parmakizi.jpg'); y=imhist(i); figure,plot(y); t=124; parmakizi=i>124; arkaplan=i<124; imshow(i) figure,imshow(parmakizi)
(a) (b)
(c)
Şekil 4.3. (a) Orijinal resim, (b) Bölümlenmiş resim, (c) Resim histogramı
Yukarıdaki örnekteki T eşik değeri resim histogramından tecrübe ile seçilebilir. T eşik değeri ayrıca otomatik olarak ta bulunabilir. Bu durumda şöyle bir yol izlenir;
1- Başlangıç bir T eşik değeri seçimi
2- T eşik değeri kullanılarak resim bölütlenir. Bu durumda iki gurup piksel oluşur: G1, T eşik
değerinden küçük olan piksellerin bulunduğu gurup, G2, T eşik değerinden büyük olan
piksellerin oluşturacağı gurup.
3- G1 ve 2 1 2 lanır.
0
Seçilecek seviyesi değ
kontrol parametresidir.
b. Temel Uyarlamal enmeyen
parlaklık seviy ik de
bölütleneme
bölünmesi ve her bir resim için bir şleminin gerçekleştirilmesidir. Burada dikkat edilmesi gereken, resmin nasıl alt resimlere bölüneceği ve her bir alt resim için eşik
0 50 100 150 200 250 0 1000 2000 3000 4000 5000
G guruplarında bulunan piksellerin ortalaması µ , µ sırası ile hesap 4- Yeni bir eşik değer µ1, µ2 ortalaması alınarak hesaplanır.
5- Ardışık iki iterasyondan elde edilen T değerleri arasındaki fark belirtilen T değerinden ı adımlar tekrarlanır.
küçük oluncaya kadar 2 ile 4 numaral
başlangıç eşik değeri, genellikle resmin histogramının maksimum ve minimum gri erlerin ortasında seçilmelidir. T0 değeri ise algoritmasının durdurulması için kullanılan bir
ı Eşikleme: Herhangi bir resim, sayısal ortama alınırken oluşan ist
eleri, tek bir eşik değeri ile bölütlenebilecek histogramları, yine tek bir eş ğeri ile yecek hale dönüştürebilir. Bu tür durumlarda, önerilen yaklaşım; resmin alt resimlere
değerin nasıl seçileceğidir. Kullanılacak bütün eşik değerler alt resimlerin piksellerine bağlı olacağından bu tür eşiklemeye uyarlamalı eşikleme denilmektedir.
(a) (b)
(c)
(d)
Şekil 4.4. (a) Orijinal resim, (b) Global eşiklenmiş resim, (c) Alt resimlere ayrılmış resim, (d) Uyarlamalı eşiklenmiş resim
Şekil 4.4.(a)’da tek bir eşik değer ile bölütlenemeyecek bir resim görülmektedir. Şekil 4.4.(b)’de ise bu resmin gri seviye histogramından seçilen bir T eşik değeri ile eşiklenmiş resmi görülmektedir. Burada istenmeyen parlaklık seviyeleri sebebiyle, resimde bulunan nesne arka plandan ayrıştırılamamıştır. Bu durumun giderilmesi için resim uniform parlaklığa sahip alt resimlere bölünmektedir. Şekil 4.4.(c)’de bu durum görülmektedir. Burada resim 16 parçaya böl müştür. Nesne ile arka plan arasın ınıra sahip olmayan bütün resim parçal ans değeri 75’den az
iken, bu d ni geçen
bütün resim parçaları bir önceki böl le eşiklenebilmektedir. Başlangıç
T eşik değerinin maksimum ve minimum gri sevi ında bir değer seçilmelidir. Varyans değeri 00’ün
ün
da s arının vary
eğer sınıra sahip resim parçalarında 100’den fazla olmaktadır. Varyansı 100 değeri ümde anlatılan eşikleme tekniğiy
yesi aras
1 altında olan resim parçaları kompozit resim olarak adlandırılır ve seçilecek tek bir eşik değer ile eşikleme işlemi sonlandırılacaktır. Şekil 4.4.(d)’ de önerilen yöntemin bölütleme sonucu görülmektedir.
c. Optimal Global ve Uyarlamalı Eşikleme: Burada, minimum ortalama hata ile bölütleme gerçekleştirilebilecek eşik değerin tahminine yönelik bir yaklaşım sunulmaktadır. Bir resmin sadece iki temel gri seviyesi bölgesine sahip olduğunu düşünülür. Z ise gri seviyesi değerlerini göstermektedir. Bu gri seviyesi değerleri rastgele değişkenler olarak görülürse ve bunların histogramı,
p(z) olasılık yoğunluk fonksiyonun (PDF) tahmininde kullanılabileceği aşikardır. Tüm olasılık
yoğunluk fonksiyonu, iki yoğunluğun toplamı veya karışımından oluşabilir. Bunlar resimdeki parlak ve karanlık bölgelerdir. Eğer yoğunlukların formları biliniyorsa veya tahmin edilebiliyorsa, resmi iki
ölgeye ayırabilecek en uygun eşik değerin seçimi mümkündür.
Şekil 4.5 ’de olasılık yoğunluk fonksiyonu görülmektedir. Burada iki olasılık yoğunluk b
fonksiyonundan büyük olanı arka planı gösterirken, küçük olanı da resimdeki nesneyi gösterir. Resimdeki bütün gri seviyeleri üzerinden tanımlanan karışık olasılık yoğunluk fonksiyonu şöyle tanımlanır;
Şekil 4.5. Olasılık yoğunluk fonksiyonu
(4.3)
Burada, P1 ve P2 arka plan ve nesneyi oluşturan piksellerin olma olasılıklarını gösterir. Yani
P1, z değerindeki bir pikselin nesneye ait olma olasılığını veren bir değerdir. Benzer olarak P2, de
resim üzerindeki herhangi bir pikselin arka plana ait olma olasılığını gösteren değerdir. Sonuç olarak resim üzerindeki herhangi bir piksel ya nesneye ait ya da arka plana aittir denir ve böylece;
(4.4)
Şekil 4.5’den görüleceği gibi T eşik değerinden büyük olan bütün pikseller arka plan olarak ölütlenirken, diğer pikseller resimdeki nesne olarak bölütlenecektir. Burada asıl amaç, en küçük hata
)
(
.
)
(
.
)
(
z
P
1p
1z
P
2p
2z
p
=
+
1
2 1+ P
=
P
bfonksiyonun dönersek, a, b aralığında rastgele bir değerin olasılık değeri, verilen sınırlar içinde o değişkenin olasılık yoğunluk fonksiyonun integrali alınarak hesaplanabilir. Bu verilen sınır değerler
rasında eğrinin altında kalan toplam alandır. Böylece arka plana ait olduğu halde, bir pikselin nesneye ait olma hat
a ası;
∫
∞ − ) ( = T p2(z)dz 1 (4.5)olarak hesaplanabilir. Benzer şekilde nesneye ait olduğu halde bir pikselin arka plana ait olarak bölütlenme hatası ise;
T E
∫
= T dz z p T E2( ) 1( ) ∞ (4.6)Böylece yapılacak toplam hata;
En küçük hata ile bölütleme yapacak T eşik değerinin bulunması E(T)’nin T’ye göre türevinin ıfıra eşitlenmesi ile sa
(4.8)
Bu denklem çözülürse optimum T değeri bulunur. Eğer P1=P2 olursa, optimum eşik değer
p1(z) ve p2(z) eğrilerinin kes
lasılık yoğunluk fonksiyonun da bilinmesi gerekir. Bazen pratikte bu olasılık yoğunluk nksiy
ları kullanılır. Bu tür durumlarda kullanılan temel olasılık oğunluk fonksiyonu Gauss’dur ki sadece ortalama ve varyans gibi iki parametre ile kolayca karakterize edilebilir
)
(
)
(
)
(
T
P
2E
1T
P
1E
2T
E
=
+
(4.7) s ğlanır. Böylece;)
(
)
(
2 2 1 1p
T
P
p
T
P
=
iştikleri nokta olacaktır. T’nin analitik olarak ifade edilmesi için her iki o
fo onlarının tahmini mümkün olmayabilir. Bu problemin çözümü için parametreleri kolayca elde edilebilen olasılık yoğunluk fonksiyon
y . Bu durumda; 2 2 2 2 2 1 2 1 2 ) ( 2 2 2 ) ( 1 1
